A Multi-Source Machine Learning Approach to Gap-Free Sentinel-2 NDVI Time Series Generation for Agricultural and Forestry Applications

국문 초록 (Abstract)

정규화 식생지수（NDVI）는 식생 모니터링과 작물 생산성 진단의 핵심 지표이지만, 광학 관 측에 의존하므로 구름·그림자·적설 및 관측 기하의 영향으로 시계열에 빈번한 결측과 왜곡이 발생한다. 특히 한반도에서는 동아시아 장마 기간이 작물의 핵심 생육 시기와 중첩되어 시 계열의 연속성이 크게 저해된다. 본 연구는 NDVI 복원을 시간 맥락·기상 제약·구조적 보완 정보를 통해 구조적으로 불완전한 광학 관측을 재구성하는 다중 제약 추론 문제로 정의하고, 한반도 전역에 대해 2019–2024년 dekad （10일） 단위 90 m gap-free NDVI 시계열을 구축하 였다. 복원 체계는 세 가지 정보원의 통합으로 구성된다. 첫째, 시간 맥락 정보로서 동일 픽 셀의 NDVI climatology, 직전·직후 유효 관측, 결측 구간의 시간 간격을 활용하였다. 둘째, 기 상 제약조건을 제공하기 위해 ASOS·AMOS 관측망 기반 OKLR 기법으로 270 m 일평균 기온 격자（연도별 MAE 0.656–0.745°C, CC 0.994–0.996）를, SwinIR 기반 4배 초해상도와 QDM 후보 정을 결합하여 125 m 일강수 격자（6년 평균 MAE 3.844 mm, CC 0.913）를 구축하였다. 셋째, 구조적 보완 정보로서 SAR를 동시 시점 식생 상태의 직접 대리 변수가 아닌 구조적 배경 기술자로 재정의하여, Sentinel-1 자료에 GAN 기반 RFI 탐지·복원을 적용한 후 다년 dekad 단위로 합성하여 모든 dekad에서 정의 가능한 안정적 SAR 변수 체계를 설계하였다. 위 입 력을 통합한 LightGBM 기반 토지피복별 모델（M3, 23개 변수）에 대해 LOYO 6-fold 교차검증 을 수행한 결과, 산림·농경지·도시·초지·나지 5개 토지피복에서 MAE 0.028–0.046, CC 0.945– 0.968의 안정적 성능과 |MBE| 〈 0.003의 무편향이 확인되었다. 후속 응용에서, 산불 피해지 XVIII 식생 회복 모니터링은 17개 대형 피해지 픽셀 단위 비교 시 gap-free NDVI가 지수형 회복 곡선 대비 픽셀 가중 MAE를 42.3%（RMSE 32.2%） 감소시켰다. 벼 수확량 예측에서는 시군 단위 NDVI만을 입력으로 하는 Random Forest 모델에 leakage-free regional bias correction 을 적용하여 LOYO 6-fold（2019–2024） 평가를 수행한 결과 MAE = 0.294 ton/ha, MAPE = 4.43% 의 성능을 보여, gap-free NDVI 단독으로도 시군 단위 수량의 안정적 예측이 가능한 수준에 도달하였음을 확인하였다. 이는 결측 복원이 단순 평활화에 그치지 않고 식생 페놀로지의 연속성을 안정적으로 회복함으로써 시계열 기반 분석의 활용 가능성 자체를 높임을 시사한 다. 본 연구의 기여는 （1） 광학 NDVI 타깃, 시간 맥락, 고해상도 기상 forcing, 구조적으로 재정의한 SAR 기술자의 물리적 역할에 따라 통합한 다중 제약 복원 프레임워크 설계, （2） 신 뢰도 높은 학습 타깃 관리에 기반한 6년 전국 단위 90 m gap-free NDVI 시계열 구축, （3） 후 속 응용을 통해 입증된 시계열 연속성의 실용적 가치로 요약된다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1. Background and Problem Statement 1
• 1.2. Research Gap and Conceptual Motivation 4
• 1.3. Thesis Overview 7
• 1.4. Conceptual Framework of the Study 8
• 1.5. Structure of the Dissertation 11
• Chapter 2. Theoretical Framework of NDVI Reconstruction 12
• 2.1. Optical NDVI as an Observationally Constrained Ecological Signal 12
• 2.1.1. Radiometric Foundation and Ecological Interpretation 12
• 2.1.2. Structural Constraints of Optical Observation 14
• 2.2. Information Assumptions in NDVI Reconstruction 15
• 2.2.1. Temporal Continuity Methods 15
• 2.2.2. Cross-Sensor Reflectance Fusion 17
• 2.2.3. Structural Scattering-Based Methods 19
• 2.2.4. Environmental Driver–Constrained Approaches 21
• 2.3. Multi-Source Machine Learning Frameworks 23
• 2.3.1. Ensemble Tree Methods 23
• 2.3.2. Deep Spatiotemporal Learning 25
• 2.3.3. Common Methodological Challenges 26
• 2.4. Synthesis and Research Gap 28
• Chapter 3. Study Area and Data 32
• 3.1. Study Area 32
• 3.2. Satellite Data 33
• 3.2.1. NDVI Derived from Sentinel-2 Surface Reflectance 33
• 3.2.2. Sentinel-1 SAR 37
• 3.3. Meteorological Data 38
• 3.3.1. Ground Observations (ASOS/AMOS) 38
• 3.3.2. Radar Precipitation 40
• 3.4. LULC and Topographic Data 42
• 3.4.1. Land-cover data 42
• 3.4.2. Topographic Variables 45
• 3.5. Wildfire Disturbance Data 47
• Chapter 4. Generation of High-Resolution Meteorological Inputs 49
• 4.1. Role and Motivation of High-Resolution Meteorological Inputs 49
• 4.2. Construction of High-Resolution Air Temperature Grids 51
• 4.2.1. Overview of the Observation-Based Reconstruction Framework 51
• 4.2.2. Accuracy Improvement Relative to Operational Products 55
• 4.2.3. Multi-Year Stability of High-Resolution Meteorological Fields 60
• 4.3. Construction of High-Resolution Precipitation Grids 63
• 4.3.1. Overview of the Deep Learning-Based Super-Resolution Framework 64
• 4.3.2. Model Development and Ablation Study 68
• 4.3.3. Multi-Year Stability and Final Product 80
• Chapter 5. Sentinel-1 SAR Preprocessing and Multi-Year Dekadal Composite Construction 89
• 5.1. Construction of Sentinel-1 Dekadal Multi-Year Composites 89
• 5.2. RFI Detection and GAN-Based Restoration 91
• 5.2.1. Spectral Characteristics of RFI 91
• 5.2.2. Unsupervised RFI Masking Based on Temporal Anomaly Detection 95
• 5.2.3. GAN-Based RFI Restoration Model Design and Training 102
• 5.2.4. Independent Test Set Restoration Performance Evaluation 107
• 5.2.5. Comparison of Dekadal Climatology Before and After Restoration 115
• Chapter 6. Gap-free NDVI Time Series Construction and Validation 117
• 6.1. Training Database Construction 117
• 6.2. Variable Selection and Multicollinearity Analysis 122
• 6.2.1. LightGBM-Based Boruta Variable Selection 122
• 6.2.2. Pairwise Correlation-Based Redundant Variable Removal 123
• 6.2.3. VIF-Based Removal of SAR-Derived Variables 125
• 6.2.4. Analytical Methods 126
• 6.3. Model Design and Training Strategy 130
• 6.3.1 Overview of LightGBM 130
• 6.3.2. Stepwise Expansion of NDVI-Derived Variables and Model Configurations 131
• 6.3.3. Hyperparameter Optimization and Cross-Validation 134
• 6.4. Model Validation 136
• 6.4.1. Validation Framework 136
• 6.4.2. LOYO Cross-Validation Results 138
• 6.4.3. Robustness Evaluation by Missing Intensity (Cloud Patch Simulation) 147
• 6.4.4. Performance Sensitivity to Observation Gap Length 150
• 6.5. Gap-Free NDVI Generation 153
• 6.5.1. Overall Generation Pipeline and Pixel Reconstruction 153
• 6.5.2. Characteristics of Gap-Free NDVI Products 155
• 6.5.3. Post-Processing: Mitigation of NDVI Discontinuities at Sentinel-2 Tile Boundaries 162
• Chapter 7. Discussion 164
• 7.1. Role of Temporal Context and Target Reliability in the Framework 164
• 7.2. Conditional Contribution of Meteorological Forcing Under Scale Mismatch 169
• 7.3. SAR Redefined: From Concurrent Proxy to Structural Descriptor 173
• 7.4. Signal Preservation Under NDVI Saturation 176
• 7.5. Robustness Limits and Practical Value of Gap-Free NDVI Reconstruction 182
• 7.6. Positioning Relative to Recent SOTA Approaches 189
• Chapter 8. Conclusion and Outlook 193
• 8.1. Key Contributions 193
• 8.2. Limitations of the Study 195
• 8.3. Future Research Directions 197
• References 199
• Appendix 209
• Appendix A. Sensitivity Analysis of 90 m Spatial Aggregation 209
• Appendix B. Pixel-Level Statistics Across Model Configurations 211
• Appendix C. Threshold-Dependent Detection Performance 214
• Appendix D. Sigmoid Parameter Sensitivity Analysis 216
• Appendix E. Year-by-Year Spatial Comparison of Original and Gap-Filled NDVI 219